In [3]:
#!conda install -c conda-forge folium=0.5.0 --yes
#import folium

#print('Folium installed and imported!')
In [10]:
import numpy as np  # scientific computation
import pandas as pd # primary data structure library
import matplotlib.pyplot as plt #primary plotting stricture
import folium # map generator.

Puntos de acceso gratuitos de WiFi en Nueva York

En esta página se muestra el procesamiento de la información correspondiente a los AP de WiFi gratuitos en la ciudad de México. El fin de esta página es crear herramientas visuales que muestren la conectividad en la ciudad, para evaluar y justificar el proyecto de Movilidad Inteligente: conectividad vehicular, a realizar por alumnos de posgrado y pregado del Tecnológico de Monterrey.

A continuación se muestra el proceso de procesamiento y visualización:

Importación del archivo de puntos de acceso gratuitos

In [11]:
df = pd.read_csv('NYC_AP_LOC.csv') 
df.head(5)
#df.shape
Out[11]:
OBJECTID Borough Type Provider Name Location Latitude Longitude X Y ... Neighborhood Tabulation Area (NTA) Council Distrcit Postcode BoroCD Census Tract BCTCB2010 BIN BBL DOITT_ID Location (Lat, Long)
0 10362 3 Limited Free ALTICEUSA Linden Park IN PARK PLAYGROUND AREA 40.658385 -73.887583 1.015441e+06 179163.810029 ... East New York 42 11207 305 1104 1104 0 3043490001 217 (40.658385, -73.8875829994)
1 10447 4 Limited Free SPECTRUM Elmhurst Park Park Area 40.728838 -73.883751 1.016470e+06 204833.279032 ... Elmhurst 25 11373 404 499 499 0 0 824 (40.7288380002, -73.8837509996)
2 10605 3 Free AT&T Hillside Park Near Vine St and Columbia Heights 40.701500 -73.994300 9.858305e+05 194851.884952 ... Brooklyn Heights-Cobble Hill 33 11201 302 1 1 0 3002050001 1409 (40.7014999998, -73.9943000006)
3 9753 3 Free NYCHA 0 331 Myrtle Ave 40.693442 -73.973193 9.916838e+05 191917.129995 ... Fort Greene 35 11205 302 18501 18501 3335255 3020410001 665 (40.6934417997, -73.9731930998)
4 9884 3 Free Downtown Brooklyn NaN 409 Fulton St. 40.692178 -73.988304 9.874935e+05 191455.769697 ... DUMBO-Vinegar Hill-Downtown Brooklyn-Boerum Hill 33 11201 302 11 11 3000281 3001440001 1028 (40.6921780001, -73.9883039999)

5 rows × 29 columns

Definición del tipo de variables dentro del DataFrame

En este caso, primero se convierte todos los nombres de las columnas en cadenas de caracteres, en caso de que existieran números. Con el fin de homogeneizar la información

In [12]:
df.columns = list(map(str, df.columns))

df.dtypes
Out[12]:
OBJECTID                                         int64
Borough                                          int64
Type                                            object
Provider                                        object
Name                                            object
Location                                        object
Latitude                                       float64
Longitude                                      float64
X                                              float64
Y                                              float64
Location_T                                      object
Remarks                                         object
City                                            object
SSID                                            object
SourceID                                        object
Activated                                       object
BoroCode                                         int64
Borough Name                                    object
Neighborhood Tabulation Area Code (NTACODE)     object
Neighborhood Tabulation Area (NTA)              object
Council Distrcit                                 int64
Postcode                                         int64
BoroCD                                           int64
Census Tract                                     int64
BCTCB2010                                        int64
BIN                                              int64
BBL                                              int64
DOITT_ID                                         int64
Location (Lat, Long)                            object
dtype: object

Filtrado de la base

In [13]:
df.drop(['Provider', 'OBJECTID','BIN', 'Census Tract', 'BBL', 'DOITT_ID', 'X', 'Y' ], axis = 1, inplace = True)
df.describe(include=['object'])
Out[13]:
Type Name Location Location_T Remarks City SSID SourceID Activated Borough Name Neighborhood Tabulation Area Code (NTACODE) Neighborhood Tabulation Area (NTA) Location (Lat, Long)
count 3319 3089 3319 3319 2771 3319 3319 2257 3319 3319 3319 3319 3319
unique 3 2499 3023 16 281 44 16 1871 416 5 178 179 3150
top Free 0 Park Perimeter Outdoor Kiosk Tablet Internet -phone , Free 1 GB Wi-FI Service New York LinkNYC Free Wi-Fi 0 09/09/9999 Manhattan MN17 Midtown-Midtown South (40.687191, -73.7695589996)
freq 2736 39 42 1867 1868 1671 1868 343 1497 1672 160 160 14

Esta descripción general nos da la forma general en la cual se tienen a las antenas de Wi Fi de NYC

Podemos ver que hay:

  • 16 SSID's diferentes
  • 197 vecindarios
  • 3023 locaciones diferentes
  • Principalmente en Manhattan.

A continuación se crea un nuevo dataframe que agrupe el número de antenas por colonia

In [14]:
dfBor = df.groupby(['Borough Name']).count().rename(columns={"DIRECCIÓN":"DIR"}).reset_index()
dfBor.head()
Out[14]:
Borough Name Borough Type Name Location Latitude Longitude X Y Location_T ... SourceID Activated BoroCode Neighborhood Tabulation Area Code (NTACODE) Neighborhood Tabulation Area (NTA) Council Distrcit Postcode BoroCD BCTCB2010 Location (Lat, Long)
0 Bronx 316 316 316 316 316 316 316 316 316 ... 137 316 316 316 316 316 316 316 316 316
1 Brooklyn 700 700 600 700 700 700 700 700 700 ... 300 700 700 700 700 700 700 700 700 700
2 Manhattan 1672 1672 1542 1672 1672 1672 1672 1672 1672 ... 1302 1672 1672 1672 1672 1672 1672 1672 1672 1672
3 Queens 531 531 531 531 531 531 531 531 531 ... 432 531 531 531 531 531 531 531 531 531
4 Staten Island 100 100 100 100 100 100 100 100 100 ... 86 100 100 100 100 100 100 100 100 100

5 rows × 23 columns

Esta información agrupada por "borough", o distrito nos muestra que:

  • Bronx cuenta con 316 AP
  • Brooklyn con 700
  • Manhattan con 1672
  • Queens con 531
  • Staten Island con 100
In [15]:
dfBorCD = df.groupby(['BoroCD']).count().rename(columns={"DIRECCIÓN":"DIR"}).reset_index()
dfBorCD
Out[15]:
BoroCD Borough Type Name Location Latitude Longitude X Y Location_T ... SourceID Activated BoroCode Borough Name Neighborhood Tabulation Area Code (NTACODE) Neighborhood Tabulation Area (NTA) Council Distrcit Postcode BCTCB2010 Location (Lat, Long)
0 101 117 117 117 117 117 117 117 117 117 ... 56 117 117 117 117 117 117 117 117 117
1 102 75 75 73 75 75 75 75 75 75 ... 51 75 75 75 75 75 75 75 75 75
2 103 93 93 93 93 93 93 93 93 93 ... 79 93 93 93 93 93 93 93 93 93
3 104 162 162 134 162 162 162 162 162 162 ... 121 162 162 162 162 162 162 162 162 162
4 105 234 234 234 234 234 234 234 234 234 ... 196 234 234 234 234 234 234 234 234 234
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
62 482 3 3 3 3 3 3 3 3 3 ... 3 3 3 3 3 3 3 3 3 3
63 501 33 33 33 33 33 33 33 33 33 ... 27 33 33 33 33 33 33 33 33 33
64 502 41 41 41 41 41 41 41 41 41 ... 38 41 41 41 41 41 41 41 41 41
65 503 10 10 10 10 10 10 10 10 10 ... 6 10 10 10 10 10 10 10 10 10
66 595 16 16 16 16 16 16 16 16 16 ... 15 16 16 16 16 16 16 16 16 16

67 rows × 23 columns

Sección 2: Herramientas de visualización

El siguiente paso, una vez filtrada nuestra base de datos es hacer visualización geoespacial. Para lograr esto, se recurre al archivo geojson de la ciudad de México, disponible en:

Mapa coropléxico de WiFi en NYC por distrito

In [21]:
nyc_geo = r'NYC_districts.geojson'

# creating a numpy array of length 6 and has linear spacing from the minium total immigration to the maximum total immigration
threshold_scale = np.linspace(dfBorCD['Location'].min(),
                              (dfBorCD['Location'].max()-200),
                              6, dtype=int)
threshold_scale = threshold_scale.tolist() # change the numpy array to a list
threshold_scale[-1] = threshold_scale[-1] + 1 # make sure that the last value of the list is greater than the maximum immigration

mapa_NYC = folium.Map(location=[40.730610 , -73.935242], zoom_start=12, tiles='Mapbox Bright')
mapa_NYC.choropleth(
    geo_data=nyc_geo,
    data=dfBorCD,
    columns=['BoroCD', 'Borough'],
    key_on='feature.properties.BoroCD',
    #threshold_scale=threshold_scale,
    fill_color='BuPu', 
    fill_opacity=0.7, 
    line_opacity=0.2,
    legend_name='Mapa Coroplexico WiFi Gratuito NYC por Colonias',
    reset=True
)
mapa_NYC
Out[21]:

Creación de mapa interactivo para localización de Antenas

In [20]:
from folium import plugins
latitude=40.730610
longitude=-73.935242
# let's start again with a clean copy of the map of San Francisco
map_nyc_num = folium.Map(location = [latitude, longitude], zoom_start = 12)

# instantiate a mark cluster object for the incidents in the dataframe
incidents = plugins.MarkerCluster().add_to(map_nyc_num)

# loop through the dataframe and add each data point to the mark cluster
for lat, lng, label, in zip(df['Latitude'], df['Longitude'], df['SSID']):
    folium.Marker(
        location=[lat, lng],
        icon=None,
        popup=label,
    ).add_to(incidents)

# display map
map_nyc_num
Out[20]:
In [ ]: